Im vertikalen B2B entscheidet fachliche Passung, nicht reine KI-Leistung

Durch die meisten B2B-Software-Entscheidungen zieht sich eine stille Annahme: dass die Plattform mit der leistungsstärksten künstlichen Intelligenz auch die besten Ergebnisse liefert. Die Annahme ist nachvollziehbar. Die größten Anbieter veröffentlichen die beeindruckendsten Benchmarks, beschäftigen die meisten Forscher und trainieren die größten Modelle. Und doch verliert in spezialisierten Märkten — die Elektronikbranche gehört dazu — die leistungsfähigste generische Engine regelmäßig gegen ein schmaleres Werkzeug, das das Geschäft schlicht besser versteht. Der Grund ist nicht, dass die großen Plattformen schwach wären. Es ist, dass die reine Modellleistung nur selten das ist, was zwischen einer Vertriebsorganisation und besseren Ergebnissen steht.

Ein Score ist noch keine Entscheidung

Was muss eine Empfehlung im Vertriebsalltag einer B2B-Vertriebsorganisation eigentlich leisten? Eine generische Recommendation-Engine liefert einen Propensity-Score — eine Wahrscheinlichkeit, dass ein bestimmter Kunde ein bestimmtes Produkt kauft. Das ist eine durchaus nützliche Information, und moderne Modelle erzeugen sie gut. Doch ein Score sagt einem Vertriebsmitarbeiter nur, dass eine Opportunity bestehen könnte; er sagt nichts darüber, ob das empfohlene Bauteil zur Applikation des Kunden passt, ob es sich dem End-of-Life nähert oder ob es in dem Zeitrahmen lieferbar ist, den das Design verlangt. Eine spezialisierte Anwendung schließt genau diese Lücke, indem sie eine entscheidungsreife Empfehlung liefert: das richtige komplementäre Bauteil für eine konkrete Applikation, ein EOL-Risiko, das markiert wird, bevor es ein Design gefährdet, sowie Lieferzeit und Herkunftsland in einer einzigen Ansicht zusammengeführt. Das Urteil bleibt beim Mitarbeiter — aber das vollständige Bild macht die Entscheidung offensichtlich, statt sie ihn aus fünf verschiedenen Systemen zusammensuchen zu lassen. Genau an diesem Unterschied entscheidet sich die Akzeptanz. Vertriebsteams vertrauen dem Werkzeug, das ihnen eine Entscheidungsbasis liefert, und nutzen es — das Werkzeug, das ihnen Hausaufgaben aufgibt, lassen sie stillschweigend liegen.

Wie das im Vertriebsalltag aussieht

Nehmen wir den ganz alltäglichen Fall. Ein Vertriebsmitarbeiter betreut einen Account, der seit Jahren einen bestimmten Mikrocontroller bezieht. Eine generische Engine könnte aus der Kaufhistorie ein margenstärkeres Bauteil mit hohem Propensity-Score hervorholen und es als Cross-Sell ausweisen. Ein fachlich verankertes System liest dieselbe Situation anders: Es erkennt, dass der bestehende Mikrocontroller auf das End-of-Life zuläuft, identifiziert den qualifizierten Nachfolger aus derselben Familie, prüft, ob dieser in einer Lieferzeit verfügbar ist, die der Produktionsplan des Kunden verkraftet, und weist die Cross-Reference aus, damit der Mitarbeiter das Gespräch proaktiv suchen kann, bevor der Kunde in ein Allokationsproblem läuft. Dieselben Daten, derselbe Kunde — aber das eine Ergebnis sichert einen Design-Win, das andere riskiert eine Empfehlung, die den Account im Regen stehen lässt.

Die Engine zählt — aber die Passung entscheidet

Nichts davon bedeutet, dass die zugrunde liegende Intelligenz unwichtig wäre. Predictive Intelligence ist die zentrale Engine jedes ernstzunehmenden Empfehlungssystems — aufgebaut auf gut erprobten Disziplinen wie Collaborative Filtering, Assoziationsregeln und Propensity-Modellierung und zunehmend durch generative KI verstärkt, für schärferes Reasoning und anspruchsvollere Use Cases wie Begründungen in natürlicher Sprache oder mehrstufige Assistenz. Das ist eine echte Kompetenz, und sie zählt.

Doch in einem vertikalen Markt ist eine starke Engine die Eintrittskarte, nicht das ganze Spiel. Was eine spezialisierte Anwendung von einer generischen unterscheidet, ist alles, was um diese Engine herum gebaut ist: ein echtes Verständnis der Vertikale — wie die Branche funktioniert, wie ihre Praktiker Entscheidungen treffen und mit welchen Restriktionen sie täglich umgehen. Dieses Verständnis muss irgendwo konkret verankert sein. Es steckt in einem Datenmodell, das die reale Struktur der Domäne abbildet — Cross-References zwischen äquivalenten Bauteilen, Replacement-Ketten für Komponenten nahe dem End-of-Life, BOM-Logik und der Applikationskontext, der bestimmt, welche Bauteile zusammengehören. Und es steckt in Workflows, die um genau die Entscheidungen herum gestaltet sind, die die Arbeit verlangt, statt in einer generischen Pipeline, die jeden Deal als austauschbar behandelt. Eine leistungsstarke Engine, die nichts davon versteht, liefert am Ende trotzdem die schlechtere Empfehlung. In diesem Umfeld schlägt Passung die reine Leistung.

Was es kostet, fachliches Verständnis nachzubauen

Hier drehen sich die Vorzeichen. In der Elektronik ist eine Design-In-Entscheidung keine einmalige Transaktion — der durchschnittliche Design-In-Zyklus bei Komponenten liegt bei etwa 12 bis 18 Monaten. Ist ein Bauteil erst einmal in ein Board designt, bleibt es dort in der Regel über die gesamte Produktionslaufzeit des Produkts. Eine Empfehlung, die die Applikation falsch einschätzt oder ein EOL-Risiko übersieht, kostet also nicht einen einzelnen Auftrag; sie kann ein Design gefährden, das für Jahre festgelegt ist. Der Einsatz, den richtigen fachlichen Kontext zu treffen, ist hier strukturell höher als in schnelllebigen Consumer-Kategorien, in denen ein schlechter Vorschlag beim nächsten Klick vergessen ist.

Eine generische Plattform lässt sich durchaus dazu bringen, diesen Kontext zu berücksichtigen — aber nur, indem man das Verständnis von Grund auf einbaut. Jemand muss die Regeln der Branche, ihre Datenstrukturen, ihre Workflows und ihre Sonderfälle abbilden, in der Regel über Monate der Konfiguration und ein begleitendes Programm zur Datenvereinheitlichung, bevor das System auch nur ein einziges Bauteil empfiehlt. Diese Arbeit ist teuer, fragil und nie ganz fertig, weil der Kontext der Vertikale dem Werkzeug nie eigen war. Eine spezialisierte Anwendung bringt diesen Kontext entwicklungsseitig bereits mit, weil die Intelligenz im Datenmodell und seinen Workflows lebt — und nicht in einem Customizing-Projekt, das auf generische Infrastruktur aufgesetzt wird.

Adoption ist der eigentliche Maßstab

Es gibt einen Maßstab, der in Anbietervergleichen selten auftaucht und doch nach dem Kauf über alles entscheidet: ob die Vertriebsmitarbeiter das System tatsächlich nutzen. Die Genauigkeit eines Modells auf einem Validierungsdatensatz ist irrelevant, wenn dem Ergebnis im Tagesgeschäft nicht vertraut wird. Spezialisierte Werkzeuge gewinnen diesen Test meist aus einem wenig glamourösen Grund — sie sind schneller einsatzbereit, und ihre Empfehlungen kommen mit dem Kontext, den ein Mitarbeiter braucht, um sofort zu handeln. Time-to-Value und Time-to-Trust sind nicht getrennt von der KI-Frage; im spezialisierten B2B sind sie die KI-Frage.

Ein Wort zur Datenreife

Nichts davon macht vernünftige Daten entbehrlich. Jedes Empfehlungssystem — spezialisiert oder generisch — ist nur so gut wie die Produkt- und Transaktionsdaten, die es liest, und für deren Qualität ist die Vertriebsorganisation verantwortlich. Der Unterschied ist gradueller Natur. Ein fachspezifisches Werkzeug kann Filter und Logik mitbringen, die die für reale Vertriebs- und Produktdaten typische Unordnung ausgleichen, und es kann bereits aus einem überschaubaren, strukturierten Import Wert liefern, statt zuerst die vollständige systemübergreifende Vereinheitlichung zu verlangen. Das senkt die Hürde zum ersten Ergebnis, hebt aber nicht die Disziplin auf, Bauteildaten, Lebenszyklus-Status und Kundenhistorie in vernünftiger Ordnung zu halten. Die ehrliche Einordnung gehört zum Argument: Ein Datenmodell reduziert den Datenaufwand, es beseitigt ihn nicht.

Ergänzend, nicht entweder/oder

Es wäre ein Missverständnis, das als Argument gegen die großen Plattformen zu lesen. Für die meisten B2B-Vertriebsorganisationen bleibt das CRM das führende System — und das soll es auch. Die Frage ist nicht, ob man es ersetzt, sondern wo die fachspezifische Intelligenz angesiedelt sein sollte. Eine spezialisierte Schicht kann neben dem CRM stehen, dieselben Transaktions- und Produktdaten nutzen und strukturierte Cross-Sell- und Design-In-Empfehlungen in genau den Workflow zurückspielen, den die Mitarbeiter ohnehin verwenden. Sich heute für ein fokussiertes Werkzeug zu entscheiden, verbaut keine künftige Plattformentscheidung — im Gegenteil, es schärft das Verständnis dafür, was die Plattform eigentlich leisten muss.

Die konstruktive Einordnung ist wichtig, denn die Teams, die das hier lesen, haben ihre heutigen Prozesse in der Regel aus guten Gründen aufgebaut. Der Punkt ist nicht, dass der etablierte Ansatz falsch gewesen wäre; es ist, dass sich der Möglichkeitsraum erweitert hat.

Bevor man sich also für die größte Plattform entscheidet, in der Annahme, Größe sei gleichbedeutend mit Sicherheit, lohnt eine engere und aufschlussreichere Frage: Versteht das System das Geschäft — oder nur die Daten? In spezialisierten Märkten wird das spezialisierte Werkzeug, dem das Vertriebsteam tatsächlich vertraut und das es nutzt, dem generischen überlegen sein, das in der Demo beeindruckt — nicht weil es klüger ist, sondern weil es gebaut wurde, um genau die Entscheidungen zu unterstützen, um die es den Mitarbeitern im Tagesgeschäft wirklich geht.